نقشه برداری خطر خطر زمین لغزش با استفاده از الگوریتم جنگل تصادفی در Guixi، Jiangxi، چین

خلاصه

خطرات زمین لغزش بر امنیت جان و مال انسان تأثیر می گذارد. تهیه نقشه توزیع فضایی خطر خطر زمین لغزش برای تصمیم گیرندگان برای اجرای اقدامات پیشگیری از بلایا حیاتی است. این مطالعه با هدف پیش‌بینی و منطقه‌بندی خطر خطر زمین لغزش، با استفاده از شهرستان Guixi در شرق جیانگشی، چین، به عنوان مثال انجام شد. یک مجموعه داده یکپارچه متشکل از 21 لایه اطلاعات جغرافیایی، از جمله سنگ‌شناسی، بارندگی، ارتفاع، شیب، فاصله تا گسل‌ها، جاده‌ها و رودخانه‌ها و ضخامت پوسته هوازدگی برای دستیابی به هدف مورد استفاده قرار گرفت. لایه‌های غیردیجیتال دیجیتالی شدند و بر اساس تمایل به زمین لغزش وزن‌ها تعیین شدند. مکان های زمین لغزش و مناطق غیرخطر (مناطق مسطح) هر دو به صورت چند ضلعی بردار شدند و به طور تصادفی به دو گروه برای ایجاد یک مجموعه آموزشی (70٪) و یک مجموعه اعتبار (30٪) تقسیم شدند. با استفاده از این مجموعه آموزشی الگوریتم جنگل‌های تصادفی (RF) که به دلیل پیش‌بینی دقیق آن شناخته شده است، برای مدل‌سازی ریسک در مجموعه داده‌های یکپارچه استفاده شد. نتایج بر اساس مجموعه اعتبارسنجی ارزیابی شد. دقت کلی 23/91 درصد و ضریب کاپا 82/0 به دست آمد. احتمال محاسبه شده برای هر پیکسل در نتیجه در مناطق مختلف برای نقشه برداری ریسک درجه بندی شد. از این رو، نتیجه می گیریم که پهنه بندی خطر زمین لغزش با استفاده از الگوریتم RF می تواند به عنوان یک مرجع مناسب برای دولت محلی در پیشگیری از بلایا و اقدامات هشدار اولیه عمل کند. احتمال محاسبه شده برای هر پیکسل در نتیجه در مناطق مختلف برای نقشه برداری ریسک درجه بندی شد. از این رو، نتیجه می گیریم که پهنه بندی خطر زمین لغزش با استفاده از الگوریتم RF می تواند به عنوان یک مرجع مناسب برای دولت محلی در پیشگیری از بلایا و اقدامات هشدار اولیه عمل کند. احتمال محاسبه شده برای هر پیکسل در نتیجه در مناطق مختلف برای نقشه برداری ریسک درجه بندی شد. از این رو، نتیجه می گیریم که پهنه بندی خطر زمین لغزش با استفاده از الگوریتم RF می تواند به عنوان یک مرجع مناسب برای دولت محلی در پیشگیری از بلایا و اقدامات هشدار اولیه عمل کند.

کلید واژه ها:

جنگل تصادفی ; خطر خطر زمین لغزش ; مجموعه داده چند منبعی یکپارچه ; شطرنجی سازی نمونه میدانی ; تعیین وزن

1. معرفی

زمین لغزش یک خطر طبیعی اصلی است و می تواند به عنوان پدیده ای تعریف شود که در آن یک جسم سنگ و خاک در یک شیب تحت تأثیر گرانش، بارندگی و آب های زیرزمینی از سطح مشترک خاصی به پایین می لغزد. رانش زمین یکی از متداول ترین بلایای زمین شناسی در چین است. در سال 2019، 6181 خطر زمین در چین ثبت شد که 4220 زمین لغزش را شامل می شود که 68.27 درصد از کل خطرات را تشکیل می دهد. این مخاطرات زمینی منجر به کشته شدن 211 نفر، 13 مفقود شده و 75 مجروح و زیان اقتصادی مستقیم 2.77 میلیارد یوان شد (سازمان زمین شناسی چین، 2020) [1 ]]. با توجه به توزیع سراسری زمین لغزش ها در سال 2019، استان جیانگشی رتبه دوم را دارد. وزارت منابع طبیعی جمهوری خلق چین اعلام کرد که 1747 خطر زمین شناسی در نیمه اول سال 2020 رخ داده است که زیان اقتصادی مستقیم آن 1.01 میلیارد یوان بوده است. پیش بینی می شد که وضعیت در نیمه دوم سال همچنان وخیم باشد ( https://www.mnr.gov.cn/ ).

به دلیل شرایط پیچیده طبیعی، تفاوت‌های مکانی و زمانی و عدم قطعیت مکانیسم زمین لغزش، پیش‌بینی دقیق زمان وقوع، مقیاس و دامنه تأثیر زمین لغزش دشوار است. با این حال، بر اساس تحقیقات زمین‌لغزش موجود و فناوری‌های موجود، می‌توان پیش‌بینی و نقشه‌برداری مؤثر خطر زمین لغزش را انجام داد. این به مقامات محلی کمک می کند تا اقدامات پیشگیرانه و هشدار اولیه را برای کاهش خسارات و تلفات جانی و مالی انجام دهند.

اخیراً رویکردهای یادگیری ماشینی در پیش بینی ریسک و نقشه برداری به کار گرفته شده است. مزیت روش‌های یادگیری ماشینی در توانایی آن برای مقابله با حجم زیادی از داده‌های مکانی در فضای چند بعدی و حتی فوق‌بعدی و توانایی آن برای دستیابی به پیش‌بینی و طبقه‌بندی دقیق است (Wu et al. 2016 و 2018). ) [ 2 ، 3 ]. این الگوریتم‌های یادگیری ممکن است احتمال وقوع مکانی زمین لغزش را فراهم کنند و اهمیت عوامل مختلف زمین‌لغزشی را که نقش بالقوه‌ای در این رویدادهای زمین لغزش دارند، شناسایی کنند . چندین رویکرد یادگیری ماشین برای ارزیابی زمین لغزش در دهه گذشته استفاده شده است، مانند ماشین‌های بردار پشتیبانی (SVM) [ 5 ]، 6 ]، شبکه های عصبی مصنوعی (ANN) [ 7 ، 8 ]، شبکه های عصبی یادگیری عمیق (DLNN) [ 9 ، 10 ]، شبکه های عصبی کانولوشن (CNN) [ 11 ]، درختان رگرسیون تقویت شده (BRTs) [ 12 ، 13 ] و جنگل های تصادفی (RFs) [ 13 ]. تعدادی از مطالعات موردی نشان می‌دهد که این الگوریتم‌ها عملکرد پیش‌بینی خوبی دارند [ 14 ، 15 ]. به طور خاص، RF به دلیل عملکرد بهتر خود در هر دو طبقه بندی و پیش بینی در مقایسه با سایر رویکردها شهرت بالایی به دست آورده است. بنابراین، ما این الگوریتم را برای نقشه برداری خطر زمین لغزش در مطالعه خود اتخاذ کردیم.

پیش پردازش عوامل علّی مختلف ژئومحیطی برای پیش‌بینی و ارزیابی خطرات زمین ضروری است. در حال حاضر هیچ استانداردی برای رسیدگی به این موضوع وجود ندارد. برخی از روش ها از هر عامل علی به عنوان یک متغیر طبقه بندی استفاده می کنند، به عنوان مثال، محدوده ای از مقادیر از همان متغیر. با این حال، پیش‌بینی براساس مقدار دقیق هر پیکسل نیست، که ممکن است بر کارایی پیش‌بینی مدل تأثیر بگذارد. هنگام برخورد با عوامل خطی مانند گسل‌ها، جاده‌ها و رودخانه‌ها، این عوامل به صورت سلسله مراتبی پردازش نمی‌شوند، بلکه در مناطق حائل با ترتیب وزن گرایش متفاوت از نظر مجاورت پردازش می‌شوند. علاوه بر این، محدوده مناطق بافر می تواند برای پیش بینی دقیق در فضا کارآمدتر از آن باشد. بارندگی یک عامل اساسی است که باعث رانش زمین می شود [ 16 ,17 ]; با این وجود، مطالعات کمی شامل بارش فصلی در ارزیابی خطر زمین لغزش می‌شد.

به دلایلی که در بالا ذکر شد، اهداف این تحقیق شناسایی یک رویکرد دیجیتالی مرتبط برای تعیین کمیت عوامل علت برای پیش‌بینی خطر زمین لغزش و پهنه‌بندی با استفاده از الگوریتم RF برای Guixi، استان جیانگشی، و تهیه نقشه خطر زمین لغزش‌ها و در نتیجه ارائه پشتیبانی و مشاوره برای دولت های محلی و تصمیم گیرندگان برای اجرای اقدامات پیشگیری از خطر زمین لغزش و هشدار اولیه.

2. مواد و روشها

2.1. منطقه مطالعه

گوئیشی در شمال شرقی استان جیانگشی، چین، در میان رودخانه سین کیانگ واقع شده است و در جنوب با کوه های وویشان (Mts) همسایه است. منطقه مورد مطالعه در عرض جغرافیایی بین 27 درجه و 50 دقیقه و 28 درجه و 33 دقیقه و 116 درجه و 57 دقیقه 43 اینچ شرقی و طول جغرافیایی 117 درجه و 28 دقیقه و 06 اینچ شرقی قرار دارد که مساحتی در حدود 2292 کیلومتر مربع را پوشش می دهد ^. . از نظر توپوگرافی، Guixi به طور کلی با کوه های مرتفع در جنوب و تپه های کم ارتفاع در شمال مشخص می شود که توسط رودخانه سین کیانگ که در غرب در منطقه مرکزی جریان دارد، قطع شده است. ارتفاع منطقه مورد مطالعه از 20 تا 1504 متر از سطح دریا متغیر است ( شکل 1)). حدود 65.3 درصد از منطقه مورد مطالعه دارای شیب کمتر از 15 درجه است، در حالی که مناطق با شیب 15-25 درجه، 25-35 درجه، 35-45 درجه و بیش از 45 درجه، 19.8٪، 10.6٪، 3.7٪ و به ترتیب 0.7٪.

به عنوان بخشی از منطقه آب و هوایی نیمه گرمسیری باران های موسمی، Guixi بارندگی سالانه 1789.3 میلی متر با 163 روز بارندگی سالانه به طور متوسط در دوره 1958-2017 دریافت می کند. فصل بارانی در ماه مارس تا جولای رخ می دهد و میانگین بارندگی انباشته 1227.1 میلی متر یا 68.6 درصد بارندگی سالانه است ( شکل 2 ). میانگین دما سالانه 18.2 درجه سانتی گراد است. گویکسی یکی از شهرستان های منابع جنگلی اصلی در جیانگشی است که میزان پوشش جنگلی آن 56 درصد است. پارک جنگلی ملی گیکسی، واقع در جنوب شهرستان، با 2929.93 هکتار جنگل پوشیده شده است که 98.2٪ از کل مساحت آن را به خود اختصاص داده است.

از نظر زمین شناسی، سازندهای منطقه مورد مطالعه شامل طبقات از مزوپروتروزوییک تا سنوزوئیک با دنباله چینه شناسی چینگبایکو-کامبرین، کربنیفر-پرمین و تریاس-کواترنر می باشد. سنگ‌های ماگمایی به خوبی در معرض دید قرار گرفته‌اند و عمدتاً در جنوب پراکنده شده‌اند، که شامل منطقه شمالی کوه‌های Wuyishan با سنگ‌شناسی‌های متعدد، مانند سنگ‌های بازی، اسیدی و خنثی است. از نظر زمان شکل‌گیری، فعالیت‌های ماگمایی تا حدی در کالدونین (حدود 508-408 مایل) و عمدتاً در دوره‌های Yanshanian (208-65 ma) رخ داده است [ 18 ].

با توجه به سوابق تاریخی، از سال 445 پس از میلاد، در مجموع هشت زمین لرزه در گویکسی رخ داده است که همگی با بزرگی کمتر از 5 ریشتر بوده و از این رو، این عامل در مطالعه ما لحاظ نشده است.

بررسی میدانی نشان داد که در مجموع 428 خانه، 568 متر بزرگراه، 50 متر کانال آب و 5.1 هکتار زمین کشاورزی در ده سال گذشته در منطقه مورد مطالعه بر اثر رانش زمین تخریب شده است. خسارات وارده به اموال اجتماعی حدود 3.54 میلیون یوان برآورد شد. با این حال، تلاش های کمی برای پیش بینی وقوع این زمین لغزش ها به منظور کاهش بلایا انجام شده است.

2.2. داده ها و آماده سازی

2.2.1. مجموعه داده های فیلد، آموزش و اعتبارسنجی

اولین فهرست زمین لغزش در دوره سپتامبر 2014 تا دسامبر 2015 انجام شد و توسط تیم 264 زمین‌شناسی صنعت هسته‌ای جیانگشی در گزارش بررسی خطر زمین‌شناسی (1:50000) از Guixi گردآوری شد. نظرسنجی دوم توسط خودمان در جولای و اکتبر 2019 و آگوست 2020 انجام شد.

در این مطالعه، در مجموع 273 زمین لغزش که در ده سال گذشته رخ داده بود، شناسایی شد. حجم همه آنها کوچک است که کوچکترین آنها حدود 5 متر ^مکعب و بزرگترین آنها حدود 20000 متر ^مکعب با میانگین حدود 533 متر ^مکعب است . زیرا بیش از 88 درصد زمین لغزش ها کمتر از 900 متر مکعب ^هستندمکان‌ها (نقاط) لغزش با چند ضلعی‌هایی به ابعاد 30 × 30 متر تغییر رنگ داده‌اند تا تحلیل‌های متوالی تسهیل شود. این مجموعه داده زمین لغزش میدانی به طور تصادفی به دو گروه: مجموعه آموزشی و مجموعه اعتبار سنجی تقسیم شد که به ترتیب 70% و 30% از کل نمونه ها را به خود اختصاص دادند. در برابر رویدادهای زمین لغزش، 380 نقطه پایدار بدون خطر (تعریف شده در همان اندازه چند ضلعی) در مناطق پست، زمین‌های زراعی و شهری که شیب کمتر از 3 درجه است، انتخاب شدند. این چند ضلعی های بدون خطر نیز به صورت تصادفی به دو گروه 70 درصد و 30 درصد تقسیم شدند و سپس به ترتیب در مجموعه آموزشی (191 زمین لغزش و 266 زمین لغزش) و مجموعه اعتبار سنجی (82 زمین لغزش و 114 زمین لغزش) گنجانده شدند.

از آنجایی که نقشه برداری متوالی خطر زمین لغزش بر اساس یک طبقه بندی باینری با استفاده از الگوریتم RF بود، این دو دسته از نمونه ها در هر دو مجموعه آموزشی و اعتبارسنجی با مقدار احتمال 1.0 برای زمین لغزش های رخ داده و 0.0 برای نمونه های بدون خطر اختصاص داده شدند. و سپس، این دو مجموعه با توجه به رویکرد پیشنهاد شده توسط وو و همکاران، به رستر 30 متری تبدیل شدند. (2018) [ 3 ].

2.2.2. عوامل ایجاد لغزش و مجموعه داده های فرا بعدی یکپارچه

شناسایی، انتخاب و پیش پردازش عوامل عامل زمین لغزش یک روش کلیدی برای مدل‌سازی ریسک و پهنه‌بندی است. مطالعات قبلی از عوامل مختلفی استفاده کرده و تلاش کرده اند نقش بالقوه آنها را در رویدادهای زمین لغزش آشکار کنند [ 13 ]. بر اساس این اطلاعات و دانش میدانی ما، 21 عامل مرتبط با زمین لغزش مانند سازندهای زمین شناسی، ارتفاع، شیب، جهت، انحنای پلان، انحنای نیم رخ، ضخامت پوسته هوازدگی، نوع و بافت خاک (رس، محتویات ماسه و سیلت)، زمین استفاده، شاخص گیاهی تفاوت نرمال شده (NDVI)، میانگین بارندگی سالانه، بارندگی مارس-ژوئیه، بارندگی اردیبهشت-ژوئیه، فاصله تا مرزهای زمین شناسی، فاصله تا گسل ها، فاصله تا جاده ها، و فاصله تا رودخانه ها شناسایی شد (جدول 1) .). این فاکتورها در GIS پردازش شدند و پس از تخصیص وزن برای فاکتورهای غیر دیجیتال، همگی به رستر با اندازه سلول 30 متر تبدیل شدند.

تعیین کمیت و وزن

ویژگی های توپوگرافی برای ارزیابی خطر خطر زمین لغزش حیاتی است [ 19 ]. یک مدل رقومی ارتفاع (DEM)، محصول ASTER GDEM V003 با وضوح 30 متر، از ناسا ( https://earthdata.nasa.gov/ ) برای منطقه مورد مطالعه به دست آمد . این DEM بیشتر برای استخراج ارتفاع ( شکل 1 )، شیب ( شکل 3 a)، جنبه، انحنای پلان و انحنای پروفیل استفاده شد.
پوسته هوازدگی مواد و مکان هایی را برای زمین لغزش ها فراهم می کند و میزبان دومی است و می تواند به عنوان یک عامل مهم کنترل کننده رویداد زمین لغزش در نظر گرفته شود [ 20 ، 21 ، 22 ]. اثر متقابل این پوسته و بارندگی باعث وقوع زمین لغزش می شود. بررسی ضخامت پوسته هوازدگی در Guixi به جز برخی از مشخصات زمین لغزش، فاقد اطلاعات دقیق است. خط الراس و دره را بر اساس داده های DEM استخراج کردیم و فرض کردیم که دشت و دره ها دارای پوسته ضخیم حدود 10 متر هستند و با افزایش شیب و ارتفاع از آن کاسته می شود و در خط الراس حدود 0.5 متر است. یک رویکرد درون یابی کریجینگ برای تولید نقشه ضخامت پوسته هوازدگی به کار گرفته شد.
عامل ادافیک نیز برای مدل‌سازی و پیش‌بینی ریسک ضروری است زیرا بر وقوع زمین لغزش‌ها تأثیر می‌گذارد [ 23 ، 24 ]. داده های نوع خاک و بافت منطقه مورد مطالعه از مرکز داده برای منابع و علوم محیطی، CAS (RESDC: https://www.resdc.cn/ ) به دست آمد ( شکل 3)ب). مهم نیست که چه نوع خاکی، ویژگی مهم آن بافت خاک، یعنی درصد شن و ماسه است که به شدت بر ویژگی خاک تأثیر می گذارد. به عنوان مثال، هر چه درصد ماسه‌ها بیشتر باشد، تخلخل بیشتری برای نفوذ آب باران ایجاد می‌شود که منجر به خطر بیشتر زمین لغزش می‌شود، جایی که خاک رس روی سطح مشترک ممکن است نقش روان‌کننده را ایفا کند. بنابراین، خاک با درصد ماسه > 40، 20-40، 10-20 درصد و 0-10 درصد به ترتیب دارای تمایل 10، 7، 4 و 1 بودند. سپس نقشه خاک به پیکسل های با اندازه نمونه برداری شد. 30 متر برای مطابقت با داده های دیگر.
کاربری زمین ( شکل 3 ج) شاخصی از فعالیت های انسانی است که رابطه بین انسان و محیط را نشان می دهد. بهره برداری از منابع زمین به عنوان عاملی نادیده گرفته شده است که ممکن است بر محیط زیست ما و وقوع زمین لغزش تأثیر منفی بگذارد [ 25 ، 26 ]. نقشه کاربری اراضی منطقه مورد مطالعه با استفاده از تصاویر Landsat 5 TM که در 31 می و 07 نوامبر 2010 به دست آمده از ابر داده های جغرافیایی ( https://www.gscloud.cn )، با استفاده از رویکردهای پیشنهادی وو تهیه شد. و همکاران (2016) [ 2 ، 27]. با دقت نقشه برداری 44/91 درصد، شش طبقه کاربری اراضی به نام‌های منطقه مصنوعی (شهری، روستایی و زیربنایی)، زمین کشاورزی، جنگل‌ها، بوته‌ها، زمین‌های بایر و توده‌های آبی شناسایی شد و به ترتیب وزن مستعدی 0 به آنها اختصاص داده شد. ، 0، 1، 4، 10 و 0. در اینجا زمین های شهری و زراعی کم شیب کمترین مستعد بودن را دارند و پوشش جنگلی نیز تمایل کم دارد در حالی که زمین های برهنه بدون حفاظت از پوشش گیاهی با توجه به شرایط طبیعی یکسان آسیب پذیرترین رده است.
وضعیت پوشش گیاهی و فراوانی، که می تواند با شاخص پوشش گیاهی نشان داده شود، به عنوان مثال، شاخص گیاهی تفاوت نرمال شده (NDVI)، از همبستگی بالایی با وقوع زمین لغزش گزارش شده است [12 ] . به عنوان مکمل پوشش زمین، NDVI ( شکل 3 د) انتخاب شد و در تجزیه و تحلیل این مطالعه گنجانده شد. ما اواخر پاییز (24 اکتبر-07 نوامبر، زمانی که پوشش گیاهی علفی پژمرده شد و اکثر محصولات برداشت شدند) تصاویر Landsat 5 TM مربوط به دوره 2005-2010، از همان سرور داده که در بالا ذکر شد، به دست آوردیم. تصاویر TM از نظر جوی با استفاده از مدل COST تصحیح شدند (چاوز 1996؛ وو 2003؛ وو و همکاران 2013) [ 28 ، 29 ، 30] که در آن هر دو اثر پراکندگی افزایشی و انتقال مسیر ضربی به حداقل رسید. NDVI با استفاده از فرمول (NIR-R)/(NIR+R) [ 31 ] از هر صحنه محاسبه شد و سپس برای به دست آوردن میانگین چند ساله NDVI میانگین گیری شد.
بارندگی اغلب به عنوان یک عامل محرک رویدادهای زمین لغزش در نظر گرفته می شود [ 32 ، 33 ]. در این مطالعه، میانگین بارندگی سالانه ( شکل 3 e)، مارس-ژوئن، مارس-ژوئیه، مه-ژوئیه، ژوئن-ژوئیه و ژوئن-آگوست بارندگی به عنوان عوامل ایجاد کننده خطر در نظر گرفته شد. هدف ما این بود که بررسی کنیم بارندگی یا تجمع ترکیبی کدام ماه برای ارزیابی خطر زمین لغزش مهم‌تر است. داده‌های بارندگی روزانه در دوره 2008-2017 از 104 ایستگاه زمینی به‌دست آمد و برای ایجاد ترکیب‌های مختلف بارندگی انباشته ماهانه، که با استفاده از رویکرد درون‌یابی با فاصله معکوس (IDW) در لایه‌های شطرنجی شبکه‌بندی شدند، استفاده شد.
لایه های زمین شناسی، به ویژه سنگ شناسی ( شکل 3 f) و بستر، به دلیل مقاومت متفاوت آنها در برابر هوا و ساختار بستر، به ویژه همراه با درزها و شکستگی ها، که ممکن است به عنوان نفوذ بارندگی عمل کنند، می توانند نقش های متفاوتی در وقوع زمین لغزش داشته باشند. مسیرها و رابط لغزنده داده های سنگ شناسی منطقه مورد مطالعه از نقشه زمین شناسی در مقیاس 1/50000 رقومی شد [ 18] .]. وزن گرایش خطر علّی هر سنگ‌شناسی سازند بر حسب مقاومت آن در برابر زمین لغزش تخصیص داده شد، به عنوان مثال، سازند مقاومت بالاتر با ارزش وزنی کمتر یا برعکس. به طور مشخص تر، وزن سنگ های گرانیتی و آتشفشانی 1، سنگ های دگرگونی 5، ماسه سنگ 7، سنگ آهک و سایر کربناتیت ها 8، و گل سنگ و شیل 10. هر چه مقدار بیشتر تخصیص داده شود، مستعد بودن عامل بیشتر به زمین لغزش کمک می کند. [ 34 ].
مرزهای زمین شناسی ( شکل 3 g) کمربندهای اتصال سازندهای زمین شناسی ناهمگن و معمولاً مناطق شکننده هستند که در معرض هوازدگی و شکستگی هستند. بنابراین یک عامل بالقوه موثر بر پایداری شیب در نظر گرفته می شود. در واقع، هر چه به مرز نزدیکتر باشد، ممکن است ریسک بالاتری وجود داشته باشد [ 9 ]. مرزهای زمین شناسی از نقشه زمین شناسی فوق استخراج شده و در مناطق مختلف به صورت 0-30 متر، 30-60 متر، 60-90 متر و 90-120 متر بافر شدند که به وزن 5، 3، 2 اختصاص یافتند. و 1 به ترتیب.
ویژگی های خطی: گسل ها ( شکل 3 h) اغلب نقش فعالی در رویدادهای زمین لغزش دارند زیرا شکستگی هستند و در معرض نفوذ آب و هوازدگی گسترده هستند. این امر باعث افزایش آسیب پذیری بدنه های زمین شناسی و ناپایداری شیب می شود. راه سازی ( شکل 3 i) یک اقدام مستقیم انسان در شیب است که منجر به ناپایداری شیب دوم می شود. تغییر شکل زمین و از دست دادن تکیه گاه از توده زیرین منجر به افزایش تنش در شیب بالایی می شود که باعث ایجاد ترک می شود [ 4]]. رودخانه ها معمولاً با بریدن سازندهای مختلف زمین شناسی و شکننده شدن توده مجاور خود از طریق مایع شدن، عاملی فعال در اصلاح منظر هستند. تعدادی از مطالعات نشان داد که نه تنها رودخانه ها، بلکه مخازن نیز بر پایداری شیب تأثیر می گذارند [ 35 ، 36 ].

در این مطالعه، گسل‌ها، جاده‌ها و رودخانه‌ها در راستای مقیاس‌های خود بافر شدند. برای مثال، گسل‌های کوچک، جاده‌ها و رودخانه‌ها با فواصل 0-30، 30-60، 60-90 و 90-120 متر بافر شدند. گسل های بزرگ مقیاس، رودخانه اصلی و مخازن با فواصل 0-60، 60-120، 120-180 و 180-240 متر از مرزها بافر شدند. به هر منطقه حائل وزنی بر حسب مستعد بودن بالقوه برای زمین لغزش اختصاص داده شد، به عنوان مثال، مناطق 0-30، 30-60، 60-90 و 90-120 متر به ترتیب 10، 7، 4، و 1 و مناطق 0 اختصاص یافتند. 60-، 60-120، 120-180 و 180-240 متر به ترتیب 20، 15، 10، و 5. این تخصیص بر این قاعده استوار بود که هر چه به ویژگی های خطی نزدیک تر باشد، تمایل زمین لغزش بیشتر است. این بافرهای فاکتورهای خطی مختلف به لایه‌های شطرنجی 30 متری در اندازه سلول تبدیل شدند.

مجموعه اطلاعات جغرافیایی فوق بعدی یکپارچه

در بالا 21 عامل مخاطره آمیز شامل ارتفاع، شیب، جنبه، انحنای پلان، انحنای پروفیل، ضخامت پوسته هوازدگی، بافت خاک (به ویژه، شن و ماسه)، کاربری زمین، NDVI، میانگین بارندگی سالانه، بارندگی مارس تا ژوئیه، بارندگی مه تا ژوئیه، سنگ‌شناسی، فاصله تا گسل‌ها، فاصله تا جاده‌ها، و فاصله تا رودخانه‌ها و غیره، برای ایجاد یک مجموعه داده اطلاعات جغرافیایی 21 لایه کنار هم قرار گرفتند. به طور خاص، این یک مجموعه داده یکپارچه با 21 بعد، یک فضای داده فوق بعدی واقعی است.

2.3. پیش بینی ریسک و مدل سازی

2.3.1. الگوریتم RF

به عنوان یکی از رویکردهای یادگیری ماشینی، الگوریتم RF با استفاده از مجموعه ای از درختان تصمیم در حال رشد، یا بهتر است بگوییم، درختان طبقه بندی و رگرسیون (CART) و رأی اکثریت آنها به یادگیری و پیش بینی دست می یابد (Breiman 2001) [37 ] . یکی از تکنیک‌های مهم این الگوریتم در نمونه‌گیری بوت استرپ آن از مجموعه آموزشی برای ساخت درخت‌ها است که با انتخاب تصادفی متغیرهای ورودی برای تعیین بهترین تقسیم برای هر گره دنبال می‌شود. در عین حال، برآوردهای خارج از کیسه (OOB) در الگوریتم RF برای تعیین خطای تعمیم و اهمیت هر یک از متغیرهای پیش بینی کننده اعمال می شود (Breiman, 2001) [37 ]]. علاوه بر این، اگر تعداد درخت های تصمیم (NT) به اندازه کافی بزرگ باشد، مشکل اضافه برازش با RF وجود نخواهد داشت. به عبارت دیگر، الگوریتم RF از قانون قوی اعداد بزرگ استفاده می کند، به عنوان مثال، هر چه ویژگی های بیشتر به کار گرفته شود، خطای کمتری تولید می شود (Breiman 2001; Wu et al. 2018) [3 ، 37 ] . بنابراین، NT باید به اندازه‌ای بزرگ باشد که خطای OOB طبقه‌بندی یا رگرسیون را تا سطحی پایدار در طول فرآیند آموزشی به حداقل برساند. مزیت دیگر الگوریتم RF ظرفیت آن برای مقابله با داده های فوق بعدی با استفاده از نمونه های آموزشی محدود اما دستیابی به نتایج با دقت بالا است. به جای طبقه‌بندی انواع پوشش زمین، ما از این الگوریتم RF در اینجا برای طبقه‌بندی احتمال خطر و بدون ریسک برای هر پیکسل در کل منطقه مورد مطالعه استفاده کردیم.

2.3.2. پیش بینی ریسک و مدل سازی

مدل‌سازی RF در EnMap-Box، یک بسته پردازش تصویر که توسط DLR (مرکز هوافضای آلمان) توسعه یافته است، انجام شد [ 38 ]. با استفاده از تابع طبقه بندی RF (RFC)، مجموعه داده اطلاعات جغرافیایی 21 لایه یکپارچه به عنوان متغیرهای پیش بینی با مجموعه آموزشی برای آموزش وارد شد.

قبل از مدل‌سازی ریسک، مجموعه‌ای از پارامترها باید تنظیم شوند، به عنوان مثال، NT، تعداد ویژگی‌های انتخابی تصادفی در هر گره، و معیارهای توقف (برای تقسیم گره). نحوه تنظیم این پارامترها را می توان به Wu et al. (2018) [ 3 ].

مدل‌سازی ریسک در واقع یک روش پارامترسازی در مقابل مجموعه آموزشی با اعتبارسنجی داخلی بود. مدل ریسک RF ایجاد شده به مجموعه داده های یکپارچه برای انجام یک طبقه بندی باینری از احتمال خطر برای استخراج نقشه احتمال اعمال شد.

2.3.3. تایید و تجزیه و تحلیل قابلیت اطمینان

برای ارزیابی عملکرد مدل‌سازی خطر زمین لغزش، نتایج پیش‌بینی‌شده در برابر مجموعه اعتبارسنجی مستقل [ 2 ، 3 ، 39 ] به جای مجموعه آموزشی تأیید شد. دو معیار استفاده شد، یعنی دقت کلی (OA) و ضریب کاپا (KC)، که بر اساس ماتریس سردرگمی مدل‌های خطر زمین لغزش آموزش‌دیده در مقابل مجموعه اعتبارسنجی محاسبه شد. در اینجا KC یک شاخص مستقیم از قابلیت اطمینان مدل‌سازی و پیش‌بینی ریسک است [ 2 , 3 , 39 , 40]. برای مقدار 0، نشان دهنده سازگاری ضعیف بین پیش بینی و مشاهده است، در حالی که مقدار 1 به معنای توافق کامل بین این دو است. سطوح توافق مبتنی بر KC پیشنهاد شده توسط Landis و Koch [ 40 ] دنبال شد: ضعیف (0.2-0)، منصفانه (0.21-0.40)، متوسط (0.41-0.60)، قابل توجه (0.61-0.80) و تقریباً عالی (0.81-0. 1.0).

2.3.4. ارزیابی اهمیت عوامل عامل زمین لغزش

درک این نکته ضروری است که بسته به مدل ارزیابی و مکانیزم زمین لغزش در ژئومحیط‌های مختلف، نقش هر عامل خطر-معمولی ممکن است از مکانی به مکان دیگر متفاوت باشد. این نشان می‌دهد که یک عامل ژئومحیطی ممکن است در یک مدل در یک مکان نقش فعالی در پیش‌بینی زمین لغزش داشته باشد اما در جای دیگر نقش کوچکی را ایفا کند. بنابراین سهم یک عامل مسبب مشروط و متنوع است. اهمیت هر یک از عوامل برای رویدادهای زمین لغزش در این مطالعه با استفاده از روش رتبه‌بندی OOB طبقه‌بندی کننده RF مورد ارزیابی قرار گرفت.

3. نتایج

3.1. NT در الگوریتم RF

زمانی که مدل‌سازی ریسک RF انجام شد، NT بر نتایج پیش‌بینی تأثیر گذاشت ( جدول 2 ). با وجود ظرفیت آن برای ارائه پیش‌بینی نسبتاً دقیق زمانی که NT روی 100 تنظیم شد، پیش‌بینی با OA و KC بالاتر زمانی که روی 300 و 500 تنظیم شد قوی‌تر بود. به عنوان تأییدی برای سایر نویسندگان [2]، OA و KC کاهش یافتند . کمی زمانی که NT 1000 بود ( جدول 2 ). از این رو، 300-500، به ویژه، 300 توصیه می شود برای NT در هنگام مقابله با پیش بینی خطر زمین لغزش و منطقه بندی استفاده شود.

3.2. نقشه خطر خطر زمین لغزش

همانطور که در بالا نشان داده شد، الگوریتم RF زمانی که NT روی 300 تنظیم شد بهترین عملکرد را داشت و بنابراین نتایج مدل سازی این مورد برای نقشه برداری خطر خطر زمین لغزش انتخاب شد. احتمال ریسک محاسبه‌شده، از 0 تا 1.0 در هر پیکسل، در پنج سطح طبقه‌بندی شد، یعنی بدون ریسک (0.2-0)، خطر کم (0.2-0.4)، ریسک متوسط (0.4-0.6)، ریسک بالا (0.6). -0.8) و خطر بسیار بالا (0.8-1.0). از این رو، نقشه پهنه بندی خطر زمین لغزش تهیه و در شکل 4 ارائه شد .

این نقشه نشان می دهد که مناطق مستعد زمین لغزش عمدتاً در امتداد جاده ها و در مناطق تپه ای و کوهستانی با شیب بالا در شمال و جنوب Guixi که مناطق پرخطر و بسیار پرخطر پیش بینی شده پراکنده شده اند، توزیع شده اند. همچنین مناطق میانه و پرخطر در جنوب غربی وجود دارد که در آن بارندگی فراوان وجود دارد. با این وجود، خطر در بخش مرکزی نسبتا کم است، دشتی با تسکین توپوگرافی ملایم در Guixi.

در شکل 4 مشاهده می شود که دو نوع خطر زمین لغزش پیش بینی شده است، به عنوان مثال، یکی لغزش های دست ساز زمین که در امتداد جاده ها یا شیب های بریده شده در نتیجه ساخت و ساز راه و توسعه مسکن توزیع شده است، و دیگری خطرات طبیعی است که در مناطق کوهستانی توزیع شده است. دامنه های جنوب و جنوب شرقی منطقه مورد مطالعه ( شکل 4 ).

برای نتیجه مدل‌سازی به‌دست‌آمده زمانی که NT 300 بود، OA این نقشه ریسک 91.23٪ است و KC 0.82 در مقابل مجموعه اعتبار سنجی، که به سطح “تقریبا کامل (0.81-1.0)” می‌رسد. همانطور که آمار نشان می‌دهد تعداد زمین لغزش‌های مشاهده‌شده ریزش شده در پهنه‌های بدون خطر، کم، متوسط، زیاد و بسیار پرخطر به ترتیب 0.73، 1.10، 2.93، 2.57 درصد و 92.67 درصد کل را به خود اختصاص داده است.

3.3. اهمیت عوامل خطر آفرین

همانطور که در شکل 5 مشاهده می شود، همه 21 عامل خطر آفرین در رخدادهای زمین لغزش نقش داشته اند، اما پنج عامل اول، یعنی فاصله تا جاده، شیب، بارندگی اردیبهشت تا ژوئیه، میانگین بارندگی سالانه و ارتفاع، 45/65 درصد از کل سهم را تشکیل می دهند. وقوع بلایای زمین لغزش یعنی نقش مهم تری در وقوع زمین لغزش نسبت به سایر عوامل داشته اند. سهم نوع خاک و گسل ها نسبتا کم است.

بررسی میدانی نشان داد که این زمین لغزش ها نه توسط زلزله و نه توسط حرکات تکتونیکی فعال، بلکه توسط فعالیت های انسانی، به عنوان مثال، ساخت و ساز جاده و توسعه مسکن، و بارندگی ایجاد شده است. در واقع، زمین لغزش های انسانی 98.9٪ را تشکیل می دهند که در آن شیب از 8 درجه تا 25 درجه متغیر است، بسیار کمتر از آستانه، 28-35 درجه، زمین لغزش های طبیعی که توسط فن و همکاران پیشنهاد شده است. (2016) [ 23 ]. علاوه بر این، 209 زمین لغزش، 76.3٪ از کل، در تجمع تالوس با ضخامت حدود 0.5-10 متر رخ داده است. زمان وقوع زمین لغزش عمدتا در ماه مارس-ژوئیه، به ویژه در ژوئن-ژوئیه است. تعداد زمین لغزش های این دو ماه بیش از 50 درصد کل را به خود اختصاص داده است.

4. بحث

4.1. الگوریتم برای ارزیابی خطر زمین لغزش

همانطور که قبلا ذکر شد، تعدادی از رویکردهای داده محور برای پیش بینی خطر زمین لغزش استفاده شده است. شیونگ و همکاران (2020) [ 13 ] اشاره کرد که در بین الگوریتم های یادگیری ماشین، BRT ها در ارزیابی حساسیت جریان زباله در استان سیچوان بهترین عملکرد را داشتند در حالی که چن و همکاران. [ 15 ] نتیجه گرفت که RF بهترین پیش بینی را در Chongren، Jiangxi به دست آورد. در واقع، یکی از تحقیقات موازی ما (ژو و همکاران تحت بررسی [ 34 ]) در Ruijin، Jiangxi و Sun و همکاران انجام شد. (2020) [ 19] در Fengjie، چونگ کینگ، هر دو اشاره کردند که RF قادر به پیش‌بینی دقیق خطر زمین لغزش است. این مطالعه، با استفاده از الگوریتم RF برای انجام وظیفه با سطح رضایت‌بخش بالا، “تقریبا کامل”، نتیجه‌گیری آنها را تایید کرد. با این حال، هنگام استفاده از داده‌های مختلف ژئومحیطی برای مدل‌سازی مبتنی بر RF باید مراقب بود، زیرا زمین لغزش‌های مورد استفاده به عنوان نمونه‌های آموزشی عمدتاً در مقیاس کوچک بودند، یعنی کمتر از یک پیکسل Landsat در سطح. بنابراین استفاده از داده‌های با وضوح بالا برای برجسته کردن چنین خطر فاجعه‌ای در حین انجام مدل‌سازی و نقشه‌برداری ضروری است و داده‌هایی با وضوح درشت‌تر از 30 متر توصیه نمی‌شوند.

4.2. اهمیت متفاوت عوامل علّی

همانطور که در شکل 5 نشان داده شده است ، فاصله تا جاده ها، شیب، بارندگی و ارتفاع از مهمترین عوامل در رخدادهای زمین لغزش در Guixi هستند. ترتیب اهمیت عوامل ژئومحیطی ممکن است از یک سایت به سایت دیگر متفاوت باشد، به عنوان مثال، شیب، نوع سنگ، فاصله تا رودخانه و NDVI [5]، شیب و فاصله تا جاده ها [6]، سازند سنگ شناسی، فاصله از جاده ها و NDVI [ 12 ]، و ارتفاع و بارندگی سالانه [ 19 ]. اما همه این مطالعات به یک واقعیت اشاره می‌کنند، یعنی شیب، فاصله تا جاده، ارتفاع و بارندگی از عوامل مهم ایجاد خطرات زمین لغزش هستند و این چیزی است که ما در این مطالعه کشف کرده‌ایم.

از آنجایی که ساخت و ساز راه، فعال ترین عامل انسانی منجر به چنین خطر زمینی را تشکیل می دهد، طراحی سیستم راه با اجتناب از پرخطرترین منطقه و در نظر گرفتن بستر لایه های زمین شناسی و پایداری شیب ضروری است.

شایان ذکر است که رتبه بندی اهمیت تمامی عوامل مرتبط با بارندگی 45/45 درصد است که نشان دهنده رابطه واضح بارندگی با رخدادهای زمین لغزش به ویژه بارندگی انباشته اردیبهشت تا تیرماه است (شکل 5 ) . با این حال، به نظر می رسد این وزن اهمیت هنوز دست کم گرفته شده است. از نظر تئوری، بارندگی عامل محرک اکثر زمین لغزش ها است و باید اهمیت بیشتری داشته باشد. تا زمانی که زمان دقیق وقوع این زمین لغزش ها را درک نکنیم، کاوش در این موضوع ممکن نیست. تنها با چنین اطلاعاتی می‌توانیم تصمیم بگیریم که چگونه بارش روزانه یا ماهانه را برای مدل‌سازی ریسک با هم ترکیب کنیم.

برخی از عوامل مانند گسل‌ها، ویژگی‌های ادافیک و مرزهای زمین‌شناسی در گذشته ضروری در نظر گرفته می‌شدند. با این وجود، تحلیل اهمیت عاملی نشان داد که آنها به اندازه مورد انتظار در این مطالعه معنادار نیستند. از این رو، امکان بهینه‌سازی انتخاب عوامل علت در مدل‌سازی و نقشه‌برداری خطر زمین لغزش در ژئومحیط مشابه، به ویژه زمانی که ظرفیت محاسباتی کم است، وجود دارد.

4.3. انواع زمین لغزش

از نظر بررسی میدانی ما، اکثر زمین لغزش‌های مشاهده شده حجم کمی دارند، که توسط بارش متمرکز بر روی ساخت و ساز جاده و برش شیب برای توسعه مسکن ایجاد می‌شوند. بارندگی می تواند در امتداد شکستگی ها به سطح زیرین نفوذ کند و به سطح مشترک لغزش برسد و مایع شود و باعث رانش زمین شود.

زمین لغزش های نسبتا بزرگ و عمیقی با حجم حدود 20000 متر ^{مکعب وجود دارد}اما توسط مکانیسم‌های وقوع مختلف هدایت می‌شود: (1) زمین لغزش پس از عمل بارندگی انباشته رخ می‌دهد، به‌ویژه، زمانی که رسوب کواترنر (تالوس) رابط واضحی با سنگ‌های زیرین دارد که در آن عدم انطباق به عنوان سطح لغزش پس از نفوذ بارندگی عمل می‌کند. (2) زمین لغزش های چند چرخه در همان مکان، آنها با حجم های کوچکی از لغزش پس از بارندگی شروع می شوند، اما کم کم پس از بارندگی های مکرر گسترش می یابند و عمیق تر می شوند و در نهایت این لغزش ها به یک لغزش بزرگ تبدیل می شوند. (3) لغزش بزرگ در لایه‌های سراشیبی، که در پوسته تالوس یا هوازدگی رخ نمی‌دهد، بلکه در داخل لایه‌های زمین‌شناسی پس از روغن‌کاری سطح بستر توسط بارندگی نفوذ یافته در صورت وجود گسل‌ها و درزه‌ها رخ می‌دهد. سرعت زمین لغزش بزرگ به شیب لایه لایه بستگی دارد. برای بسترهای با شیب زیاد، زمین لغزش سنگی ممکن است به سرعت اتفاق بیفتد تا زمانی که گرانش توده سنگ از اصطکاک مقاوم سازند زیرین فراتر رود. برای بسترهای کم شیب، لایه های پوشاننده و پوسته هوازده یک لغزش سریع را تشکیل نمی دهند، بلکه خزشی را تشکیل می دهند که به تدریج به سمت پایین حرکت می کند. هنگامی که یک برش شیب وجود دارد، حرکت رو به پایین سریعتر می شود. این همچنین به وضوح در Ruijin، شهر دیگری در جنوب جیانگشی مشاهده شد، که تهدیدی برای معبد تازه تاسیس Longzhu و مدرسه راهنمایی شماره 6 Ruijin است.37 ]. از این رو ضروری است که اقدامات لازم را برای جلوگیری از خسارات و خسارات بزرگ قبل از وقوع چنین خطر بزرگی انجام دهیم.

5. نتیجه گیری ها

این مطالعه از الگوریتم RF برای مدل‌سازی، پیش‌بینی و نقشه‌برداری خطر زمین لغزش در Guixi با 21 عامل ژئومحیطی و داده‌های میدانی یکپارچه استفاده کرد. در طول مدل‌سازی، ما از تکنیک یادگیری ماشینی استفاده کردیم تا مشخص کنیم کدام عوامل مستعد خطر در تحریک زمین لغزش‌ها مهم‌تر هستند. ما همچنین روشی را نشان دادیم که چگونه فاکتورهای ژئومحیطی غیر دیجیتالی را دیجیتالی کنیم و یک مقدار وزن را بر حسب نزدیکی یا تمایل آنها تعیین کنیم تا تحلیل و مدل‌سازی کمی ممکن شود. این مطالعه نه تنها اطلاعات کلیدی در مورد چگونگی تحقیق در مورد مکانیسم زمین لغزش، بلکه رویکرد عملیاتی در مورد چگونگی بررسی خطر خطر برای جلوگیری از آسیب بیشتر جامعه را ارائه می دهد. به خصوص،

یکی از یافته های کلیدی این تحقیق اهمیت شگفت انگیز ساخت و ساز راه و توسعه مسکن در حوادث زمین لغزش است. این نشان می دهد که نقش فعالیت های انسانی در تحریک چنین فاجعه های جغرافیایی، و نشان می دهد که هنگام طراحی سیستم های جاده، اقدامات حفاظتی جامع تر شیب و تحقیقات زمین شناسی عمیق تر در بستر لایه های سراشیبی باید ضروری باشد تا بتوان زمین لغزش های دست ساز انسان را به حداقل رساند.

منابع

سازمان زمین شناسی چین اطلاعیه در مورد خطر ملی زمین شناسی در سال 2019. در دسترس آنلاین: https://www.cgs.gov.cn/gzdt/zsdw/202003/t20200331_504559.html (در 15 اوت 2020 قابل دسترسی است).
وو، دبلیو. زوکا، سی. کرم، ف. لیو، جی. افزایش عملکرد نقشه برداری پوشش زمین منطقه ای. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 52 ، 422-432. [ Google Scholar ] [ CrossRef ]
وو، دبلیو. زوکا، سی. محیم، ع. الشافعی، WM; القریشی، AMF; وینی، ن. زو، ام. لیو، جی. پیش‌بینی شوری خاک و نقشه‌برداری با رگرسیون یادگیری ماشینی در بین‌النهرین مرکزی، عراق. تخریب زمین توسعه دهنده 2018 ، 29 ، 4005–4014. [ Google Scholar ] [ CrossRef ]
ژائو، ی. وانگ، آر. جیانگ، ی. لیو، اچ. رگرسیون لجستیک مبتنی بر سیستم اطلاعات جغرافیایی Wei، Z. برای نقشه‌برداری حساسیت زمین لغزش ناشی از بارندگی تحت اندازه‌های شبکه‌های مختلف در Yueqing، جنوب شرقی چین. مهندس جئول 2019 ، 259 ، 105147. [ Google Scholar ] [ CrossRef ]
هوانگ، اف. کائو، ز. گوا، جی. جیانگ، S.-H. لی، اس. Guo, Z. مقایسه مدل‌های اکتشافی، آماری عمومی و یادگیری ماشینی برای پیش‌بینی و نقشه‌برداری حساسیت زمین لغزش. Catena 2020 , 191 , 104580. [ Google Scholar ] [ CrossRef ]
هونگ، اچ. پرادان، بی. خو، سی. Bui، D. پیش‌بینی فضایی خطر زمین لغزش در منطقه Yihuang (چین) با استفاده از رگرسیون لجستیک هسته دو کلاسه، درخت تصمیم متناوب و ماشین‌های بردار پشتیبان. Catena 2015 ، 133 ، 266-281. [ Google Scholar ] [ CrossRef ]
تان، Q. هوانگ، ی. هو، جی. ژو، پی. Hu, J. کاربرد مدل شبکه عصبی مصنوعی مبتنی بر GIS در پهنه بندی خطرات زمین شناسی. محاسبات عصبی Appl. 2020 ، 1 ، 1-12. [ Google Scholar ] [ CrossRef ]
وانگ، ی. فنگ، ال. لی، اس. رن، اف. Du، Q. یک مدل ترکیبی با در نظر گرفتن ناهمگنی فضایی برای نقشه‌برداری حساسیت زمین لغزش در استان ژجیانگ، چین. Catena 2020 , 188 , 104425. [ Google Scholar ] [ CrossRef ]
Bui، DT; سانگاراتوس، پ. نگوین، وی تی. لیم، NV; Trinh، PT مقایسه عملکرد پیش‌بینی یک مدل شبکه عصبی یادگیری عمیق با مدل‌های یادگیری ماشین معمولی در ارزیابی حساسیت زمین لغزش. Catena 2020 , 188 , 104426. [ Google Scholar ] [ CrossRef ]
هوآ، ی. وانگ، ایکس. لی، ی. خو، پی. Xia, W. توسعه پویا حساسیت زمین لغزش بر اساس واحد شیب و شبکه های عصبی عمیق. رانش زمین 2020 ، 1 ، 1-22. [ Google Scholar ] [ CrossRef ]
نیش، ز. وانگ، ی. لینگ، پی. Hong, H. ادغام شبکه عصبی کانولوشن و طبقه‌بندی‌کننده‌های یادگیری ماشین معمولی برای نقشه‌برداری حساسیت زمین لغزش. محاسبه کنید. Geoences 2020 , 139 , 104470. [ Google Scholar ] [ CrossRef ]
رضا، PH; کمک، ک. نورمن، ک. فرزین، س. بررسی اثرات تکنیک‌های مختلف موقعیت‌یابی زمین لغزش، رویکردهای تقسیم‌بندی زمین لغزش و توازن حضور و عدم حضور بر نقشه‌برداری حساسیت زمین لغزش. Catena 2020 , 187 , 104364. [ Google Scholar ] [ CrossRef ]
Xiong، K. آدیکاری، BR; استاماتوپولوس، کالیفرنیا؛ ژان، ی. وو، اس. دونگ، ز. دی، بی. مقایسه روش‌های مختلف یادگیری ماشین برای نقشه‌برداری حساسیت جریان زباله: مطالعه موردی در استان سیچوان، چین. Remote Sens. 2020 , 12 , 295. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وو، ایکس. رن، اف. نیو، آر. ارزیابی حساسیت زمین لغزش با استفاده از واحدهای نقشه برداری شی، درخت تصمیم، و مدل های ماشین بردار پشتیبان در سه دره چین. محیط زیست Earth Ences 2014 ، 71 ، 4725-4738. [ Google Scholar ] [ CrossRef ]
چن، دبلیو. Xie، X. پنگ، جی. وانگ، جی. دوان، ز. مدل‌سازی حساسیت زمین لغزش مبتنی بر GIS: ارزیابی مقایسه‌ای از رگرسیون لجستیک هسته، درخت نایو-بایز، و مدل‌های درخت تصمیم متناوب. Geomat. نات. خطر خطرات 2017 ، 8 ، 950-973. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سگونی، س. پیسیولو، ال. گاریانو، SL مروری بر ادبیات اخیر در مورد آستانه بارش برای وقوع زمین لغزش. زمین لغزش 2018 ، 15 ، 1483-1501. [ Google Scholar ] [ CrossRef ]
هوانگ، آر. Li، W. تشکیل، توزیع و کنترل خطر زمین لغزش در چین. جی. راک مکانیک. ژئوتک. مهندس 2011 ، 3 ، 97-116. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تیپ 264 دفتر زمین شناسی صنعت هسته ای جیانگشی. پروژه بررسی خطرات زمین شناسی Guixi که توسط تیم ما اجرا شده است، با موفقیت توسط گروه خبره پذیرش میدانی را پشت سر گذاشت. در دسترس آنلاین: https://www.hgy264.com/show-27-6127-1.html (در 27 اکتبر 2020 قابل دسترسی است).
سان، دی. ون، اچ. وانگ، دی. Xu, J. یک مدل جنگل تصادفی از نگاشت حساسیت زمین لغزش بر اساس بهینه سازی هایپرپارامتر با استفاده از الگوریتم بیز. ژئومورفولوژی 2020 ، 362 ، 107201. [ Google Scholar ] [ CrossRef ]
آویزان، LQ; وان، NTH; داک، DM; ها، LTC; پسر، PV; خان، NH; Binh، LT نقشه‌برداری حساسیت زمین لغزش با ترکیب فرآیند سلسله مراتبی تحلیلی و روش‌های ترکیب خطی وزن‌دار: مطالعه موردی در حوضه آبریز رودخانه لو (ویتنام). زمین لغزش 2016 ، 13 ، 1285-1301. [ Google Scholar ] [ CrossRef ]
Xi، C. در مورد پوسته هوازدگی قرمز جنوب چین. علوم کواترنر. کوات. علمی (Chin. Engl. Abstr.) 1991 ، 1 ، 1-8. [ Google Scholar ]
Zhu، X. خاک رس قرمز و پوسته قرمز هوازده در جنوب چین. Res. حفظ آب خاک (Chin. Engl. Abstr.) 1995 ، 4 ، 94-101. [ Google Scholar ]
فن، ال. لمان، پی. یا، D. اثرات تغییرپذیری فضایی خاک در مقیاس دامنه و حوضه بر ویژگی‌های زمین لغزش‌های ناشی از بارندگی. منبع آب Res. 2016 ، 52 ، 1781-1799. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیتوتو، ام جی؛ مووانگا، ا. پوسن، جی. Deckers، JA تأثیر خواص خاک بر وقوع زمین لغزش در منطقه بودودا، اوگاندا شرقی. افر. جی. آگریک. Res. 2009 ، 4 ، 611-620. [ Google Scholar ] [ CrossRef ]
هونگ، اچ. لیو، جی. زو، A.-X. مدل‌سازی حساسیت زمین لغزش با استفاده از درخت‌ها و جنگل‌های تصمیم متناوب LogitBoost با جریمه کردن ویژگی‌ها با مجموعه کیسه‌ای. علمی کل محیط. 2020 , 718 , 137231. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ناپولی، MD؛ کاروتنوتو، اف. سیواسکو، آ. کنفورتو، پی. Martire، DD; فیرپو، م. پپه، جی. راسو، ای. Calcaterra، D. مدل‌سازی گروه یادگیری ماشین به عنوان ابزاری برای بهبود قابلیت اطمینان نقشه‌برداری حساسیت زمین لغزش. رانش زمین 2020 ، 17 ، 1897-1914. [ Google Scholar ] [ CrossRef ]
وو، دبلیو. مهیمید، ع. الشافعی، WM; القریشی، AMF با استفاده از داده های رادار و نوری برای مدل سازی و نقشه برداری شوری خاک در مرکز عراق. در سنجش از دور محیطی در عراق ; فاضل، ع.م، نگم، ع.، ویرایش. Springer: Cham، سوئیس، 2019; فصل 2; صص 19-40. [ Google Scholar ] [ CrossRef ]
چاوز، تصحیحات جوی مبتنی بر تصویر PS-بازبینی و بهبود یافته است. فتوگرام مهندس Remote Sens. 1996 , 62 , 1025-1036. [ Google Scholar ]
Wu, W. Application de la Geomatique au Suivi de la Dynamique Environnementale en Zones Arides. Ph.D. پایان نامه، دانشگاه پاریس 1، پاریس، فرانسه، 2003. [ Google Scholar ]
وو، دبلیو. دی پاو، ای. Zucca، C. استفاده از سنجش از دور برای ارزیابی اثرات سیاست های مدیریت زمین در مراتع Ordos در چین. بین المللی جی دیجیت. Earth 2013 , 6 (Suppl. 2), 81-102. [ Google Scholar ] [ CrossRef ]
Wu, W. شاخص پوشش گیاهی تفاوت تعمیم یافته (GDVI) برای خصوصیات دیم. Remote Sens. 2014 ، 6 ، 1211-1233. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بردونی، م. گالانتی، ی. بارتلتی، سی. Persichillo، MG; برسنتی، م. جیان‌چینی، آر. آوانزی، GDA; سیواسکو، آ. براندولینی، پ. Galve، JP تأثیر موجودی بر تعیین حساسیت زمین لغزش های کم عمق ناشی از بارندگی با استفاده از مدل های افزایشی تعمیم یافته. Catena 2020 , 193 , 104630. [ Google Scholar ] [ CrossRef ]
چیکالامو، EE; ماورولی، OC; اتما، ج. Westen, CJV; مستوفا، الف. آستانه‌های بارش ماهواره‌ای برای هشدار اولیه زمین لغزش در حوضه آبریز بوگوونتو، جاوه مرکزی، اندونزی. بین المللی J. Appl. زمین Obs. Geoinf. 2020 , 89 , 102093. [ Google Scholar ] [ CrossRef ]
ژو، ایکس. وو، دبلیو. لین، ز. ژانگ، جی. چن، آر. آهنگ، ی. وانگ، ز. لانگ، تی. Qin، Y. او، پی. و همکاران پهنه بندی خطر زمین لغزش در Ruijin، Jiangxi، چین. نات. سیستم خطرات زمین. علمی بحث در مورد 2020 ، در حال چاپ. [ Google Scholar ] [ CrossRef ]
لو، ایکس. Li, J. تجزیه و تحلیل تأثیر مهار مخزن بر زمین لغزش بانک. دس برق آبی Power Stn. (Chin. Engl. Abstr.) 2003 ، 3 ، 61-64. [ Google Scholar ]
وانگ، ام. Yan, E. مطالعه تأثیر آب مخزن بر زمین لغزش مخزن. مکانیک خاک سنگ. (Chin. Engl. Abstr.) 2007 ، 12 ، 2722-2725. [ Google Scholar ] [ CrossRef ]
بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
واسک، بی. وان در لیندن، اس. اولدنبورگ، سی. جاکیمو، بی. رابه، ا. Hostert، P. imageRF – یک پیاده سازی کاربر محور برای تجزیه و تحلیل تصویر سنجش از راه دور با جنگل های تصادفی. محیط زیست مدل. نرم افزار 2012 ، 35 ، 192-193. [ Google Scholar ] [ CrossRef ]
جاکیمو، بی. اولدنبورگ، سی. Rabe, A. Manual for Application: ImageRF (1.1) ; Universität Bonn and Humboldt Universität zu Berlin: برلین، آلمان، 2012. [ Google Scholar ]
لندیس، جی آر. Koch, GG توافق اندازه گیری ناظر برای داده های طبقه بندی شده. بیومتریک 1977 ، 33 ، 159-174. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]

شکل 1. موقعیت منطقه مورد مطالعه و پراکندگی زمین لغزش ها.

شکل 2. نمودار نشان دهنده میانگین بارندگی ماهانه در منطقه مورد مطالعه.

شکل 3. عوامل علت لغزش مورد استفاده در این مطالعه با استفاده از عوامل زیر به عنوان مثال: ( الف ) شیب، ( ب ) نوع خاک، ( ج ) کاربری زمین، ( د ) NDVI، ( ه ) میانگین بارندگی سالانه، ( f ) سنگ شناسی، ( g ) مرزهای زمین شناسی، ( h ) گسل ها، ( i ) جاده ها.